cluster_optics_xi

sklearn.cluster.cluster_optics_xi(*, reachability, predecessor, ordering, min_samples, min_cluster_size=None, xi=0.05, predecessor_correction=True)

自动根据Xi-steep方法提取聚类。

Parameters:

reachabilityndarray of shape (n_samples,)

OPTICS计算的可达性距离( reachability_ )。

predecessorndarray of shape (n_samples,)

OPTICS计算的前驱。

orderingndarray of shape (n_samples,)

OPTICS排序的点索引( ordering_ )。

min_samplesint > 1 or float between 0 and 1

与提供给OPTICS的min_samples相同。上下陡峭区域不能有超过 min_samples 个连续的非陡峭点。 表示为绝对数或样本数的分数（四舍五入至少为2）。

min_cluster_sizeint > 1 or float between 0 and 1, default=None

OPTICS聚类中最小样本数，表示为绝对数或样本数的分数（四舍五入至少为2）。如果为 None ，则使用 min_samples 的值。

xifloat between 0 and 1, default=0.05

确定可达性图上构成聚类边界的最低陡度。例如，可达性图上的上升点定义为从一个点到其后继点的比率最多为1-xi。

predecessor_correctionbool, default=True

基于计算的前驱修正聚类。

Returns:

labelsndarray of shape (n_samples,)

分配给样本的标签。未包含在任何聚类中的点标记为-1。

clustersndarray of shape (n_clusters, 2)

每个行中以 [start, end] 形式列出的聚类列表，所有索引包括在内。聚类按 (end, -start) （升序）排序，以便较大的聚类包含较小的聚类后出现。由于 labels 不反映层次结构，通常 len(clusters) > np.unique(labels) 。

Examples

>>> import numpy as np
>>> from sklearn.cluster import cluster_optics_xi, compute_optics_graph
>>> X = np.array([[1, 2], [2, 5], [3, 6],
...               [8, 7], [8, 8], [7, 3]])
>>> ordering, core_distances, reachability, predecessor = compute_optics_graph(
...     X,
...     min_samples=2,
...     max_eps=np.inf,
...     metric="minkowski",
...     p=2,
...     metric_params=None,
...     algorithm="auto",
...     leaf_size=30,
...     n_jobs=None
... )
>>> min_samples = 2
>>> labels, clusters = cluster_optics_xi(
...     reachability=reachability,
...     predecessor=predecessor,
...     ordering=ordering,
...     min_samples=min_samples,
... )
>>> labels
array([0, 0, 0, 1, 1, 1])
>>> clusters
array([[0, 2],
       [3, 5],
       [0, 5]])